围岩力学参数反演的GSA-BP神经网络模型及应用
基于模态频率的风力机叶片覆冰检测方法
2021年第2期复合材料科学与工程19基于模态频率的风力机叶片覆冰检测方法李飞宇，崔红梅*,苏宏杰，王念富，马志鹏(内蒙古农业大学机电工程学院，呼和浩特010018)摘要：目前，风力机叶片覆冰后通常使用加热系统除冰，其消耗的能源是发电机组1%〜4%的年发电量。
本文通过试验模态调校叶片有限元模型，用有限元模型的仿真模态得出不同位置的覆冰厚度和固有频率对应关系方程，用这些方程生成随机样本训练BP神经网络模型，建立以固有频率为输入，以覆冰厚度为输出的非线性关系，以实现覆冰状态的检测。
研究表明，通过叶片的力锤激励模态试验结果，调整叶片模型参数，优化后的叶片覆冰中空实体三维模型前三阶固有频率与试验值误差在2%以内。
通过BP神经网络建模和训练，模型检测覆冰厚度的结果与实际值相对误差率平均值为&83%，叶尖处误差最小，叶根处误差最大，相对误差率随着冰层厚度的增加而降低。
训练好的BP神经网络模型可以基本实现覆冰的位置和厚度信息检测，为加热系统精确加热位置和加热时间、降低能源消耗提供理论依据。
关键词：风力机叶片；覆冰检测；模态参数；固有频率；复合材料中图分类号：TB332文献标识码：A文章编号：2096-8000(2021)02-0019-06风能是一种清洁的绿色可再生能源，被世界各国公认为最具有开发利用前景的新能源之一。
2019年我国风力累计装机容量到达210GW,风电发电量可满足5.5%的用电需求［1］。
同世界风能利用好的国家一样，我国风电场大多位于寒冷、潮湿地区，风力机叶片会无法避免地产生覆冰的现象，影响风力机的正常工作，甚至发生叶片折断、风力机倒塌等事故［2］。
因此，开展叶片覆冰状态的精确检测研究对于风力机的稳定运行有重要意义。
目前,国内外学者对此做了大量研究,Skrimpas 等［3］通过对覆冰的风力机功率曲线和机舱振动情况分析，可以检测出风力机的整体覆冰情况。
Gantasala 等［4］研究了2MW风力机叶片覆冰条件下的模态特性,结果表明随着叶片覆冰厚度增加，振动模态中气动弹性阻尼因子逐渐减小。
岩石力学中的神经网络法
1 人工神经网络简介 2 人工神经网络模型 3 人工神经网络在岩体工程中的应用 4 神经网络法在岩爆中的应用
1 人工神经网络简介
• 人工神经网络是反映人脑结构及功能的一种数学抽象模型，用 数理方法和从信息处理的角度对人脑神经网络进行抽象，建立 某种简化模型，用大量神经元节点互连而成的复杂网络，模拟 人类进行思维与存储以及利用知识进行推理的行为。神经网络 不需要建立反映系统物理规律的数学模型，比其他方法更能容 忍噪声，并且具有极强的非线性映射能力，对大量非结构性、 非精确性规律具有自适应功能。 • 神经网络基于生物神经的模拟具有如下特点：1)自组织、自学 习、自适应和容错性；2)模糊的和随机的信息；3)能进行大规 模的并行处理；4)信息处理和信息存储合二为一。
• 3.6人工神经网络在地铁隧道工程中的应用 神经网络方法在隧道工程中主要用于预测隧道施工引起的 地表变形和隧道围岩的变形。
• 3.7人工神经网络在本构关系中的应用 谭云亮等建立了径向基函数神经而且逼近 速度快、稳定性好。
4 神经网络法在岩爆中的应用
基于MATLAB，采用三层BP网络结构， 选取地下硐室围岩最大切向应力与岩 石单轴抗压强度比值、岩石单轴抗压 强度和抗拉强度比值和岩石冲击性倾
向指数3个因素作为输入层神经元，
并将输入进行归一化。输入层取2个 神经元，以表示岩爆类型。
注：孟陆波,李天斌,王震宇.基于 MATLAB 神经网络工具箱的岩爆预测模型. 贾义鹏，吕 庆，尚岳全.基于粒子群算法和广义回归神经网络的岩爆预测.
• 3.4人工神经网络在边坡工程中的应用 边坡工程可以看成是开放式广义工程体系，其本身具有高 度的复杂性非线性，传统的线性化模型无法准确描述这种特性。 边坡稳定性受众多因素的制约，归纳起来主要有以下几方面 : 地形因素、岩体因素、地震作用、水的作用、人为因素等。各 影响因素与边坡的稳定性存在复杂的非线性关系。 • 3.5人工神经网络在基坑工程中的应用 用人工神经网络预测基坑变形主要有两类，一类是建立影 响基坑变形的各因素与位移间的神经网络模型。其二, 将变形 监测数据视为一个时间序列，根据历史数据找出系统演变规律， 对系统的未来发展趋势进行预测。
基于BP神经网络算法的光伏发电预测研究
神经网络算法的光伏发电预测研究式中，P V为光伏电源的输出功率；源额定功率；G C为工作点的辐射强度；温度，其值与环境温度近似；k为功率温度系数。
由此式中，di为Xi和Yi之间的等级差。
气温、相对湿度、全球水平辐射(W/m2)、风向、降水的逐小时数据；Y2.2 光伏发电输出功率预测模型建立（1）构建神经网络架构。
具有s型隐神经元和线性输出神经元的两层前馈网络，在数据一致和隐层神经元足够多的情况下，可以很好地拟合多维映射问题。
本文利用MATLAB中的神经网络拟合模块，建立具有图2 双层前馈神经网络输入-输出关系（2）结果分析。
经过MATLAB模拟贝叶斯算法训练出来的模型，多次调整分析后，每迭代一次神经网络参数都会经过调整，经过多次迭代后，均方误差(MSE)随之降低，但是随着网络开始过度拟合训练后，验证的数据集将会增加，均方误差也会增加，matlab中均方误式中，SSE表示和方差；n表示样本个数；真实数据；表示拟合的数据；w i＞0。
图3为神经网络的训练性能，由图可知，经过轮的训练迭代之后，最佳的训练性能是第0.15283，并且整体的训练结果和测试结果的变化曲线相对贴合，说明训练出来的神经网络模型图3 神经网络训练性能结语本研究通过选用斯皮尔曼相关性分析识别出影响光伏发电输出功率的关键因素，并采用贝叶斯正则化算法优化神经网络，构建了对光伏发电输出功率的准确预测模型。
该模型建基于大量实践数据，能够捕获复杂的非线性关系，实现更高的准确性和稳定性。
核心优势在于提升了光伏发电输出功率预测的精度。
通过重要影响因素选择和优化算法，模型达到了较高的解释力和精度。
本研究进一步提高了光伏发电输出功率预测模型的准确率。
本模型所采用的自变量在实际中较难获取，未来研究应与实践紧密结合，构建精度更高、覆盖更广、实用价值更大的光伏发电输出功率预测模型，为我国光伏发电事业发展提供有力支撑。
参考文献：图1 2015年全年光伏发电数据集表1 光伏发电阵列参数名称参数数组评级10.5kW面板评级175W面板数量2×30面阵列区2×38.37m2逆变器尺寸2×6kW逆变器类型SMA SMC 6000A 追踪器类型DEGEnergie 5000NT。
基于PSO-GA-BP_神经网络的土体参数反演
Value Engineering0引言近年来，人口激增导致城市空间使用紧张、交通压力激增，为了缓解这一矛盾，城市空间正在向深度方向发展[1]。
地下城市空间工程受场地地质、水文、周边建筑物、地下管线限制，需要准确、有效地预测其深基坑的变形[2]。
目前数值模拟预测方法被广泛运用，获取准确的土体参数是确保预测精度的关键，而土体参数反演方法是获取参数的重要手段。
国内外学者对反演方法已经有了一定程度的研究。
Gioda 等[3]通过利用单纯形法、拟梯度法以及Powell 法等优化方法，对岩土体的力学参数进行反演。
Zhang 等[4]采用最小二乘法反演计算土体参数，利用反演后的土体参数预测挡土结构深层水平位移。
程秋实等[5]采用粒子群算法结合支持向量回归机对基坑土体参数反分析，结果表明反演效果良好。
在土体参数反演领域，尽管BP 神经网络被广泛应用，但其存在网络结构构建难度大和收敛速度慢等缺点。
为了解决这些问题，本文引入了PSO 算法和GA 算法，提出了PSO-GA-BP 神经网络土体参数反演模型，优化了BP 神经网络的结构和参数，从而提高模型的性能和准确性。
1PSO-GA-BP 神经网络尽管BP 神经网络在土体参数反演方面有着广泛的应用，但其存在网络结构构建难度大、收敛速度慢等缺点。
同时，GA 算法在参数设计中的并行机制发挥不足、PSO 算法在处理高维数复杂问题时可能出现早期收敛[6]，为了进一步提高土体参数反演的效率和准确性，这些都是需要考虑和改进的问题。
基于此，本文提出PSO-GA-BP 神经网络土体参数反演模型，其同时具有粒子群算法及遗传算法的优点，而且优化了BP 神经网络中存在的问题。
PSO-GA-BP 神经网络算法具体步骤如下，其流程图见图1。
①确定神经网络输入层、输出层及隐含层的节点数量。
②对适应度函数进行求解，据此来判断个体和群体的极限值。
③随机选择每个粒子2/3的位置，然后对粒子速度进行变异操作。
BP神经网络模型在建筑沉降预测中的应用
翟 酵
玩
摹 ＾ Ｉ ‘
ｆ
时蚂厌 １
图３ Ｄ４点 的 预 测 结 果
用 ７月 ２日至 ７月 ５日４ ｄ的观测值来预测 ７ 月 ６日的 沉降量 ， 以此类 推 ， 得到 了如表 １ 所示 的预测结果。表 １ 对
＝ ¨
ｒ ＇ 一 Ｏ ｅ ｒ ） （ １ ＝ Ｏ ￣ ｋ ） ， 隐含层 ： ｏ ＝ ¨ ｒ １ 一 （ ） Ｐ
Ｗ ；
Ｂｌ
（ ５ ） 权值修 正 ： Ｗ （ ｔ ＋ １ ） ＝ ａ ６ ｐ ０ ＋
＝
， 阈值 修正 ： Ｏ ｉ （ ｔ ＋ １ ）
（ ￡ ） ＋ １ ３ 磊 ；
２ － ２建模步骤
本 身及周边建筑 的使用安全。 本文以某高层建筑基坑开挖对 周 围已有建筑的影响为主体 ， 建立 了 Ｂ Ｐ神经 网络预测模型 ， 对周 围建筑 的沉降变形观测做 了预测 。
１ 工程简介
为 防止 高层建筑 的建设 对周 围已有建 筑造成破坏性 的
影响 ， 预防倾斜变形 的发展 ， 有关部 门从 ２ ０ ０ ４年某高层建筑
５ ￣ ｎ ＋ １ 次 的预测结果 。
人工神经网络有多种类型，其中，以 Ｒ ｕ ｍ ｅ ｌ ｈ ａ ｒ ｔ ， Ｍ ｃ Ｃ ｌ ｅ ｌ ｌ ａ ｎ ｄ 在１ ９ ８ ５ 年提出的Ｂ Ｐ 网络的误差反向后传 Ｂ Ｐ （ Ｂ ａ ｃ ｋ Ｐ ｍｐ ａ ｇ ａ ｔ ｉ ０ “
习算法运用最为广泛 ， 随着计算机应用技术 的不断提高 ， 逐 渐
● 标 准 与 检 测
巍
２ ０ １ ３ 生
Ｂ Ｐ神 经 络 抉 型 在 建 筑 沉 降 氓 捌 的 应 用
王 亮。 罗新 字 （ 兰州交通大学 土木工程 学院， 甘 肃 兰州 ７ ３ ０ ０ ７ ０ ）
参数反演—基于BP神经网络
第3章 正演模型的建立
3.1 FLAC 3D软件简介 FLAC 3D可以用于模拟三维土体、岩体以及其他材料的力学特征，广泛应用于地下洞室、施工 设计、边坡稳定等诸多领域。 优点： （1）对模拟塑性破化和塑性流动采用的是“混合离散法” （2）对静态和动态模型都采用动态运动方程 （3）采用了一个“显示解”方案。
第5章 结论与展望
5.2 展望 反分析的内容比较复杂，涉及到不同学科之间的融合，本文的研究的广度和深度都还不够， 本人认为还可以从以下方面发展： （1）分析参数范围和学习样本数对参数反演的精度的影响。 （2）文中3个参数和反分析的差别较大，可进一步分析原因。 （3）本文参数组合采用正交设计，没有考虑这3个参数之间的联系，可以分析不同参数之间 的联系。 （4）本文的智能分析只采用了BP神经网络，可采用其他方法进行分析，并探究各种方法的优 劣及适用。 （5）可以研究反分析在其他类型岩土工程的应用。
拱顶沉降曲线
水平收敛曲线
从图中可以看出两个曲线得到很好的拟合，说明通过均方差进行反分析是可行的
第5章 结论与展望
5.1 结论 岩土工程十分复杂，相关力学力学参数的确定则更是困难，本论文借助反分析方法确定了相 关力学参数。 本文借助于BP神经网络对岩体力学参数进行反演，提出了新的思路，以前的反分析以位移作 为输入集，力学参数作为输出集；本文考虑到岩体的蠕变特性，将不同试验条件下的蠕变曲 线与目标曲线的均方差作为输入集。由于学习样本过少和参数范围过大导致反分析的效果不 是特别理想，但本文所提出的思路和方法仍是可取的。
感谢各位评委老师
工程岩体力学参数的智能反分析
姓名：罗鹏 班级：土木1303班
论文结构
第1章 • 前沿 第2章 • BP神经网络 第3章 • 正演模型的建立 第4章 • 物理力学参数的反分析 第5章 • 结论和展望
基于BP神经网络的遥感水深反演20110219
Remote sensing of Extracting Water Depth based on Back Propagation ModelShan Huang1,,Tingang Zhou1,2,31)School of Geographical Sciences,Southwest University,Chongqing,China2)Key Laboratory of Eco-environments in Three Gorges Reservoir Region,Ministry of Education,Chongqing,China.3）Engineering Technology Research Center of Geo-spatial Information in Chongqing,Chongqing,China,401147 Abstract:This paper aims to do water depth retrieval research in Lin huai gang segement of Huaihe river in Anhui Province.First,geometric calibration,atmospheric correction and water depth information extraction should be done to the remote sensing image acquired from Landsat7ETM+.Second,a water depth retrieval model was construct based on BP Model by using the correlation between measured water depth and the reflectance of the combination of single brand and multi-brand in the preprocessed remote sensing image.The result indicates that the mean absolute error,average relative error,determination coefficient and root mean s square of the retrieved water depth and measured water depth are respectively0.5682m,12.11%,0.8465,0.7167m.基于BP神经网络的遥感水深反演黄山1周廷刚1,2,31)西南大学地理科学学院，重庆，中国2)三峡库区生态环境教育部重点实验室，重庆，中国3）．重庆市地理空间信息工程技术研究中心，重庆，中国，401147摘要本文在Landsat7ETM+遥感影像预处理的基础上,利用影像单波段与多波段组合的反射率和实测水深值之间相关性，建立了安徽省淮河临淮岗段BP神经网络水深反演模型，进行了反演。
遥感测绘论文题目GIS测绘学论文题目测绘工程论文题目选题大全毕业论文开题报告参考文献
耕地土壤有机质与速效氮磷钾含量高光谱遥感反演研究 经验模态分解在高光谱遥感数据处理中的应用 面向对象的高分辨率遥感影像的分割与分类研究 多极化星载 SAR 森林覆盖变化检测方法研究 多特征融合的遥感影像变化检测方法研究 近 30 年上海海岸带土地利用变化分析与建模预测 基于矩阵对数累积量和非局部均值方法的极化 SAR 噪声抑制 基于高光谱数据的最大羧化速率遥感定量反演 高分辨率遥感影像道路网提取及变化检测 基于高分辨率遥感影像的城区建筑物提取方法研究 基于高分辨率遥感影像的团场小城镇土地利用变化分析与预测研究 面向对象的草原植被参数反演方法及应用 基于多特征的面向对象高分辨率遥感图像分类 定标缺失情况下的高光谱图像分类研究 基于多波段多极化 SAR 数据的草原地表土壤水分反演方法研究 粒子群优化算法在多时相遥感影像变化检测中的应用研究 基于 Sentinel-1 和 Landsat 8 数据的潮间带盐沼湿地分类研究 高分辨率遥感影像面向对象的绿地信息提取方法研究 基于 HJ-1A HSI 高光谱遥感数据的湟水流域典型植被分类 多源遥感图像融合技术研究 基于 CVA 与光谱解混的高光谱图像变化检测研究 小麦茎基腐与全蚀病高光谱遥感识别研究 基于 Sentinel-1 的近岸海表风场反演研究 雷达卫星 TerraSAR-X 精准测距高原湿地水位反演研究 基于数据挖掘技术的航摄影像土地利用变化检测研究 基于深度神经网络的遥感图像变化检测 基于多空间分辨率遥感数据的山区土地利用/土地覆被分类及变化检测 基于图谱理论的遥感图像分类方法研究 高光谱遥感协同处理黑刺沟岩矿蚀变信息方法研究 基于多核学习的高光谱遥感影像分类方法研究
遥感测绘论文题目 GIS 测绘学论文题目测绘工程论文题目选
题大全毕业论文开题报告参考文献 目录
一、选题技巧............................................................................................................................................1 二、热词分布............................................................................................................................................2 三、测绘学论文题目大全....................................................................................................................... 2 四、知网万方等如何利用................................................................................................................... 104
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘 要： 针对遗传算法 （GA） 存在早熟现象和局部寻优能力较差等缺陷， 引入具有很强局部搜索能力的模拟退火算法 （SA） ， 组成改进的遗传模拟退火算法（GSA）提高优化问题的能力和求解质量。针对 BP 神经网络容易陷入局部最小和收敛速度慢 等方面的不足，应用改进的遗传模拟退火算法搜索 BP 神经网络的最优权值和阀值，提高 BP 神经网络的预测精度，建立了 围岩力学参数反分析的 GSA-BP 神经网络模型。 将该模型应用于乌东德水电站右岸地下厂房围岩力学参数的反演分析中，根 据监测围岩变形数据反演围岩力学参数，反演所得参数应用到正计算分析中，得出的计算位移与实测值吻合较好，说明该方 法的有效性和应用于该工程的可行性。 关 键 词：围岩力学参数反演；正交设计；遗传模拟退火算法（GSA） ；BP 神经网络 中图分类号：TU 452 文献识别码：A 文章编号：1000－7598 (2016) 增 1－0631－08
1
引
言
征存在较大差距。 为了解决这个问题，自 20 世纪 70 年代以来国 内外学者[17]提出了一种动态位移反分析法， 即根据 施工过程中的监测位移反演岩体的物理力学参数和 本构模型，并取得了一些成果。随着人工智能技术 的发展，岩土工程反分析出现智能化的趋势，人工 神经网络、遗传算法、支持向量机、粒子群优化算 法等被引入反分析中，大大提高了位移反分析的速
[14]
，利用正交设计可在保证精度的基础
增刊 1
王开禾等：围岩力学参数反演的 GSA-BP 神经网络模型及应用
633
获得最优待反演参数。
确定待反演参数取值范围 对初始值进行编码 训练 BP 神经网络 误差作为适应度 评价适应度 遗传算法操作 退火算法操作 #选择 #交叉 #变异 正交设计构造计算方案 正分析计算产生训练样本 BP 神经网络建立 非线性映射关系 初始化网络权值和阀值 获得最优权值和阀值 计算误差 计算适应度 更新权值和阀值 N
2计算方法与ຫໍສະໝຸດ 型2.1 计算方法 BP 神经网络是目前应用最多的神经网络， 理论 [13] 证明 ，多层 BP 网络可以实现由 n 维输入空间到 m 维输出空间的线性和非线性映射，克服了感知器 和线性神经网络的局限性，但实际应用中 BP 网络 也存在一些不足： （1） BP 网络为了获得较高的训练 精度，需要提供足够多的样本模式； （2）BP 网络的 误差曲面存在很多局部最小点，在某些初值的条件 下算法的结果会陷入局部最小； （3） BP 网络训练学 习的收敛速度很慢。针对 BP 网络的上述不足，笔 者引入正交设计、遗传算法和模拟退火算法进行优 化，提高 BP 网络的效率和精度。 在位移反分析中，三维复杂模型的正分析计算 都耗时较长，若构建的试验样本数量太多，计算量 就很大，不利于快速反演分析；若样本数量太少， 则无法保证反演结果的精度和可靠性。依据正交试 验设计原理
第 37 卷增刊 1 2016 年 6 月
DOI： 10.16285/j.rsm.2016.S1.083
岩 土 力 学 Rock and Soil Mechanics
Vol.37 Supp.1 Jun. 2016
围岩力学参数反演的 GSA-BP 神经网络模型及应用
王开禾，罗先启，沈 辉，张海涛
（上海交通大学 船舶海洋与建筑工程学院，上海 200240）
将支持向量机与遗传算法相结合，提出了位移反分 析的进化支持向量机方法，并结合算例验证了方法 的有效性。高纬
[10]
将粒子群优化引入岩土工程反分
[11]
析领域，提出了粒子群优化反分析法，并通过一个 算例验证了方法的有效性。邬凯等 将均匀设计原 理、 最小二乘支持向量机和粒子群优化算法相结合， 提出了一种组合的快速反演模型，并应用于龙滩水 电站左岸地下厂房区岩体地应力场的反演分析中， 计算应力值与实测值吻合较好。漆祖芳等
在地下工程问题的分析研究中数值模拟方法因 其高效低成本的特点，受到广大岩土工程人员的青 睐。由于地下工程结构的复杂性，围岩地质条件的 不确定性和施工的多变性以及数值模拟理论的局限 性、数值模型建立上的简化性和岩石力学参数选择 的主观性，数值计算的结果往往与围岩实际变形特
收稿日期：2015-12-24 基金项目：国家重点基础研究发展计划（973）项目（ No. 2011CB013505） ；国家自然科学基金（ No. 51279100） 。 This work was supported by the National Basic Research Program of China (973 Program) (2011CB013505) and the National Natural Science Foundation of China (51279100). 第一作者简介：王开禾，男，1988 年生，硕士研究生，主要从事岩土工程数值模拟方面的研究。 E-mail: 1030961350@ 通讯作者：罗先启，男，1965 年生，博士，教授，博士生导师，主要从事岩土工程相关的教学与研究工作。E-mail：luoxianqi@
[12]
针对传
统粒子群算法存在搜索空间有限、容易陷入局部最 优点的缺陷，提出基于粒子迁徙和变异的粒子群优 化（MVPSO）算法，并将改进的 MVPSO 算法与支 持向量机（v-SVP）相结合，组成 v-SVP-MVPSO 算法应用到大岗山水电站右岸边坡岩体参数反演分 析，取得较好的结果。 上述算法存在一些不足，如存在早熟现象、目 标函数容易陷入局部极小、鲁棒性差等问题。本文 将遗传算法与模拟退火算法结合，对 BP 神经网络 的权值和阀值进行优化，结合正交设计，建立岩体 力学参数与监测位移之间的正交设计将本文方法 BP 神经网络模型， 并基于监测数据， 应用于乌东德 水电站右岸地下厂房围岩反演分析中进行验证，取 得了较好的效果。
632
岩
土
力
学
2016 年
度和精度。冯夏庭等[8]将人工神经网络与遗传算法 相结合，提出了进化神经网络方法，并进行了弹性 问题的反分析，验证了方法的有效性。赵洪波等
[9]
上，大幅度减少试验次数。 遗传算法（genetic algorithms，GA）是一种搜 索最优解算法，通过评估函数和适应度函数来决定 个体的优劣。在遗传算法中，通过将参数编码，在 求解问题的决定因素和控制参数的编码上进行操 作，而不受函数限制条件的约束，可解决传统方法 不能解决的问题，同时遗传算法从问题的解位串集 开始搜索，而不是单个解，搜索空间范围大，降低 了陷入局部最优的可能性。但是，如果某个体的适 应度值很高，大大高于个体适应度均值，算法可能 在没有达到最优解，甚至没有得到可接受的解时， 而过早的收敛到局部最优解，失去找到全局最优解 的机会，这就是过早收敛问题，即早熟现象。 模拟退火算法（simulated annealing，SA）是一 种启发式随机搜索算法， 具有并行性和渐近收敛性， 已在理论上证明[15]，是一种以概率为 1、收敛于全 局最优解的全局优化算法。模拟退火算法从一个随 机选取的状态出发，依据生产概率在每一步产生一 个新的状态，如果系统落入局部最优的陷阱，经过 一段时间后，还能重新跳出来，使系统最终往全局 最优值的方向收敛。 2.2 正交设计-GSA-BP 神经网络模型 正交设计-GSA-BP 神经网络模型主要由正交设 计构造训练样本、遗传模拟退火算法优化选择权值 与阀值和确定 BP 神经网络结构建立非线性映射关 系三部分组成。其算法流程见图 1，基本步骤如下： （1）确定待反演参数及取值范围，等分设定各 参数的水平数，根据正交表构造正分析的计算方案， 使用有限元计算后生成训练样本。 （2）根据输入输出的参数个数确定 BP 神经网 络结构，进而确定需要优化的权值和阀值的个数。 （3）使用遗传模拟退火算法优化 BP 网络的权 重和阀值，首先将参数空间表示成遗传空间的基因 型串结构数据，生成初始群体，再根据标准计算个 体的适应度，评价个体的优劣，然后通过选择、交 叉、 变异和退火一系列操作找到适应度最优的个体， 最后通过比较种群中每个个体的当前适应度与历史 最后适应度来决定是否进一步迭代，获得最优权值 和阀值。 （4）使用得到的网络权值和阀值进行 BP 神经 网络训练和学习，并用 BP 神经网络对这些权值和 阀值进一步寻优，基于梯度下降法，计算实际输出 与目标输出的误差来修正权值和阀值，经过反复迭 代，最终达到预期目标，完成网格训练； （5）在训练好的网格中，输入监测位移数据，
GSA-BP neural network model for back analysis of surrounding rock mechanical parameters and its application
WANG Kai-he, LUO Xian-qi, SHEN Hui, ZHANG Hai-tao
(School of Naval Architecture, Ocean and Civil Engineering, Shanghai Jiaotong University, Shanghai 200240, China)
Abstract: Due to the defects of traditional genetic algorithm(GA) such as premature and poor local search ability, a simulated annealing algorithm(SA) is introduced to modify GA for better optimizing result. Afterwards, the modified genetic simulated annealing algorithm(GSA) is implemented to search for the optimal weight and threshold of BP neural network, which improves the prediction accuracy of BP neural network by overcoming its drawbacks of local minimum and slow convergence. Thus, GSA-BP neural network model is established for the back analysis of surrounding rock mechanical parameters. Finally, the model is applied to an engineering case, Wudongde Power Station, to regress surrounding rock mechanical parameters of the underground powerhouse on the right side with in-situ measured displacement data. By applying the regressive mechanical parameters to numerical model, displacements of surrounding rock are computed; and the computed displacements agree well with the measured ones; which indicates the GSA-BP neural network model is feasible for back analysis of surrounding rock mechanical parameters in real-world engineering cases. Keywords: back analysis of surrounding rock mechanical parameters; orthogonal design; genetic simulated annealing algorithm (GSA); BP neural network